자연어 의미론을 위한 기능적 기하대수학으로 나아가기

자연어 의미론에 대한 분포적 및 신경망 접근법은 거의 전적으로 conventional linear algebra(전통적 선형대수)에 기반하여 구축되어 왔습니다. 벡터, 행렬, 텐서 및 이를 수반하는 연산들이 그 핵심입니다. 이러한 방법들은 놀라운 경험적 성공을 거두었으나, 구성적 의미론 (compositional semantics), 타입 민감도 (type sensitivity), 그리고 해석 가능성 (interpretability) 에서 지속적인 구조적 한계에 직면해 있습니다. 본 논문에서는 기하대수학 (GA, Geometric Algebra) -- 특히 클리포드 대수 (Clifford algebras) 가 의미 표현을 위한 수학적으로 우월한 기반을 제공하며, Functional Geometric Algebra (FGA, 기능적 기하대수학) 프레임워크가 GA 를 확장하여 추론 (inference), 변환 (transformation), 해석 가능성을 지원하면서도 분포적 학습 (distributional learning) 과 현대 신경망 아키텍처와 완전한 호환성을 유지할 수 있는 타입화된 구성적 의미론 (typed, compositional semantics) 을 가능하게 한다고 주장합니다. 저는 공식적인 기초를 개발하고, 선형대수가 제공하지 않는 반면 GA 가 제공하는 세 가지 핵심 기능을 식별하며, 연산자 수준의 의미적 대비를 보여주는 상세한 실례를 제시하고, 현재 트랜스포머 아키텍처에 이미 내재되어 있는 GA 기반 연산을 명시화하고 확장하는 방법을 보여줍니다. 중심 주장은 단순히 차원의 증가가 아니라 구조적 조직의 향상이라는 점입니다. GA 는 $n$-차원 임베딩 공간을 $2^n$ 다중벡터 대수 (multivector algebra) 로 확장하여, 기본 의미 개념과 그 고차원 상호작용을 단일이며 원칙에 기반한 대수적 프레임워크 내에서 표현합니다.